Bądźmy w kontakcie

Plan Szkolenia

Wprowadzenie do Edge AI i Nano Banana

  • Kluczowe cechy obciążeń w środowisku Edge-AI
  • Architektura i możliwości Nano Banana
  • Porównanie strategii wdrożenia: edge vs cloud

Przygotowywanie modeli do wdrożenia w środowisku Edge

  • Dobór modelu i ocena bazowa
  • Rozważania dotyczące zależności i kompatybilności
  • Eksportowanie modeli w celu dalszej optymalizacji

Techniki kompresji modeli

  • Strategie przycinania (pruning) i strukturalna rzadkość (sparsity)
  • Współdzielenie wag i redukcja parametrów
  • Ocena wpływu kompresji

Kwantyzacja dla wydajności Edge

  • Metody kwantyzacji po treningu
  • Pracowanie z przepływami treningu świadomego kwantyzacji
  • Podejścia INT8, FP16 i mieszanej precyzji

Przyspieszanie pracy z Nano Banana

  • Wykorzystanie akceleratorów Nano Banana
  • Integracja ONNX i backendów sprzętowych
  • Testowanie wydajności przyspieszonej inferencji

Wdrożenie na urządzenia brzegowe

  • Integracja modeli w aplikacje wbudowane lub mobilne
  • Konfiguracja i monitorowanie czasu działania
  • Rozwiązywanie problemów z wdrożeniem

Profilowanie wydajności i analiza kompromisów

  • Opóźnienie, przepustowość i ograniczenia termiczne
  • Kompromisy między dokładnością a wydajnością
  • Strategie iteracyjnej optymalizacji

Najlepsze praktyki w utrzymaniu systemów Edge-AI

  • Wersjonowanie i ciągłe aktualizacje
  • Coaching modelu (rollback) i zarządzanie kompatybilnością
  • Rozważania dotyczące bezpieczeństwa i integralności

Podsumowanie i kolejne kroki

Wymagania

  • Znajomość procesów maszynowego uczenia (machine learning).
  • Doświadczenie w rozwoju modeli opartych na Pythonie.
  • Znajomość architektur sieci neuronowych.

Grupa docelowa

  • Inżynierowie ML,
  • Naukowcy ds. danych,
  • Specjaliści MLOps.
 14 godzin

Liczba uczestników


Cena za uczestnika (netto)

Opinie uczestników (1)

Propozycje terminów

Powiązane Kategorie